Minecraft 中的 AI 智能体集群未能建立文明，深陷官僚主义泥潭
一个由 50 个 AI 智能体组成的集群被要求“建立一个繁荣的文明”，但未能成功，反而陷入了程序性的琐碎工作中——有一次，它们花了 11 分钟来任命一个智能体，只为在一块小麦上使用一份骨粉。这项实验由 Y Combinator Labs 和 Olam Labs 的研究人员开展，并由 Tom's Hardware 于 2026 年 11 月 1 日报道，是最清晰的公开演示之一，表明多智能体 LLM 系统的失败并非因为无法行动，而是因为过度组织其行动方式。
实验实际测试了什么
该研究将大量由 LLM 驱动的智能体放入 Minecraft 及相关游戏模式中，以观察它们如何合作与竞争。其声明的动机是利用游戏内的协作与冲突作为沙盒，来理解现实世界中的 AI 智能体事件——文章引用了两个对比鲜明的参考案例：最近“解决了数百个开放数学问题”的千智能体集群，以及“极其危险”的 OpenAI–Hugging Face 事件。
该测试平台基于现有的开源工作构建，特别是 Mindcraft 项目和 Mineflayer 中的脚本工具。智能体集群本身也是开源的，因此这些设置可以重新运行和修改。
Civ50 测试：50 个智能体，三小时，没有文明
在旗舰协作场景中，50 个智能体被给予三个小时来建立一个繁荣的文明。Tom's Hardware 报道称，该设置似乎使用了 50 个 GPT-6.1 Sol 智能体。
这个殖民地从未繁荣起来。第一天晚上，僵尸杀死了大量智能体——几乎没有惩罚——并且“许多雄心勃勃的初始任务被放弃了”。从那时起，智能体转向了谨慎的生存模式和官僚主义。
最常被引用的这种转变的例子是：“四个智能体花了 11 分钟任命一个‘唯一的施肥操作员’，只为在一块小麦上使用一份骨粉。”研究人员指出，这种模式“感觉类似于在使用编码智能体时看到的模式”。
为什么智能体集群会陷入官僚主义
Minecraft 的结果与从业者在生产级多智能体编排中报告的情况相符。被赋予协调权限的智能体倾向于生成规则、角色和审批结构，其速度比生成工作更快。
“这正是我在开发和改进平台时使用多个编排器和工人的经验。AI 倾向于创建大量规则和严格性，这导致了很多遵循方面的问题。” — HN 评论者 tom910
“你可以通过尝试使用类似 paperclip 的工具，并让多个需要相互工作和协调的智能体参与，来看到这一点。它很快就会变成一团官僚主义的混乱，让每个智能体（和你）都感到困惑，并且只是消耗令牌而不产生任何有用的输出。” — HN 评论者 farhadhf
一位评论者将这种现象描述为一种已知的组织病理，而非 AI 特有的缺陷，并引用了“行政素”（administratium）的概念——这是一种讽刺性元素，其质量随着研究时间的增加而增加，而生产力却下降。另一位评论者直截了当地总结了这一结果：“我们已经实现了管理咨询的自动化。”
GPT 与 Claude：攻击性、调试以及蜂群与领导者
研究人员还运行了对抗性场景，这些场景产生了比文明测试更明显的行为差异。
Bed Wars：10 个 GPT-6.1 Sol 智能体 vs 10 个 Claude Opus 5.5 智能体
GPT 智能体产生了“更具攻击性和复杂性的策略”，而 Claude 智能体则更倾向于防守。更具诊断性的差异出现在一个工具错误禁用了方块破坏时：GPT 智能体诊断了故障并相互分享了解决方法，而几个 Claude 智能体则得出结论，认为破坏方块根本不可能。
Mindustry：GPT 在七场比赛中以 6-1 获胜
在 Mindustry（一种轻量级 RTS/塔防模式）中，GPT 智能体在七场比赛中以六胜一负击败了 Claude 智能体。研究人员将 GPT 团队描述为像蜂群一样运作，而 Claude 团队则采用单一领导者和民主式决策过程。在这种环境中，蜂群结构产生了更一致的获胜策略。
方法论上的反对意见：衡量的是什么？
讨论中最强烈的批评不是智能体失败了，而是实验的结论难以推广。
“我觉得这项研究很奇怪，因为我不知道该称它为什么研究领域。它不是计算机科学。它几乎像是行为心理学，但对象是 AI 智能体而不是人类或动物。话虽如此，我觉得这些研究缺乏很多严谨性……如果使用不同的提示，结果会完全不同吗？我们能将这些结果推广到其他模型吗？” — HN 评论者 openasocket
一个相关的批评针对的是测试平台而非模型。Minecraft 是实时运行的，因此智能体必须等待并以缓慢的节奏处理状态，这不太适合协调：
“我们知道，在类似 Unix VM 中的 bash 环境中尝试编程任务时，智能体合作得更好。由此得出结论，认为智能体在分类上合作不佳并陷入官僚主义，是一种过度推断。” — HN 评论者 gjskngnf
其他人指出，单智能体在 Minecraft 中的能力本身就是一个已基本解决的基准，这引发了一个问题：失败是源于协调问题，还是源于所用智能体的基本游戏技能。
反驳观点：在构建集群之前先修复单个智能体
一份详细的从业者报告认为，集群结果可能是由于单个智能体能力较弱所致。一位评论者使用 Claude 运行 RuneScape 的 rs-sdk 时发现，一个单独的智能体最初在无意义的行动上浪费了大量时间——这种行为被明确比作施肥操作员的轶事——但在经过数小时的人工纠正和指导后，它变得完全自主。
“经过数小时的纠正和指导 Claude（构建模块化、可重用的有用代码片段，而不是用于驾驶的一次性脚本，记录你的学习以供未来的智能体使用，等等，明确指导如何更优地玩游戏），它现在可以完全自主地玩游戏了……我知道如果我试图在 2004scape 中创建一个集群，而智能体实际上并不擅长玩游戏，那肯定会惨败。所以，我想知道他们实验用的智能体在单独玩 Minecraft 时表现如何。” — HN 评论者 _vertigo
文明论点：冒险可能是缺失的要素
讨论中反复出现的主题是，失败模式并非非理性，而是过度理性。一个评估每个行动的负面风险的集群永远不会放弃安全的位置去追求巨大的回报——而建立文明可能恰恰需要这种无根据的赌博。
“没有冒险精神，没有非理性的火花，没有神经多样性的‘因为它在那里’的冲动，这些最初让我们走出洞穴。也许一个完全理性的智能体不可能建立文明，因为分析瘫痪会在所有决策中呈指数级主导。” — HN 评论者 czep
同一位评论者提出了另一种技术框架：不是具有模糊目标的自主殖民地，而是由知道哪些任务真正有价值的人类指导的 50 个能干智能体——建造一个圆石生成器、一个铁农场、确保一个经验修补图书管理员、找到要塞、掠夺末地、建立甘蔗农场和火药供应以用于火箭，然后转向袭击农场和周边地区。
一个补充性的思想实验问道，如果一个模型的知识中大部分人类制度过程被移除，会发生什么——这暗示官僚主义可能是从人类组织文本中导入的学习行为，而不是 LLM 协调的内在属性。
Minecraft 集群研究展示了什么，又没有展示什么
这项实验最好被解读为一种定性的实地观察，而不是一个基准。它表明，当前的前沿智能体在给定模糊的高层目标和协调自由时，会产生治理而非进展，并且不同的模型系列表现出可测量的不同协调风格——蜂群式与领导者加投票式——在竞争环境中具有不同的胜率。
它并没有表明多智能体系统在分类上会失败。提示是最小的，测试平台施加了实时延迟，并且智能体在该环境中的基线单智能体能力在报道中并未确立。研究人员自己以开放性问题结尾，包括不同模型组合和不同集群规模如何改变结果。
对于今天构建多智能体系统的团队来说，实际的启示更窄且更具可操作性：协调开销是一种真实的成本，智能体会乐意用令牌来支付，而解决方案通常是减少智能体数量、更严格的任务规范，以及在扩展之前验证单智能体能力。
摘要： 一个由 50 个智能体组成的 Minecraft 集群被赋予建立繁荣文明的任务，却将时间花在了程序性的琐碎工作上，而在面对面的游戏测试中，GPT-6.1 Sol 智能体在 Mindustry 中以 6-1 击败了 Claude Opus 5.5 智能体。
标题： Minecraft 中的 AI 智能体集群未能建立文明，深陷官僚主义泥潭